リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

大学・研究所にある論文を検索できる 「Prediction and predictor elucidation of the onset of metabolic syndrome among young workers using machine learning techniques: A nationwide study in Japan」の論文概要。リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。
リケラボ

コピーが完了しました

URLをコピーしました

論文の公開元へ論文の公開元へ
書き出し

Prediction and predictor elucidation of the onset of metabolic syndrome among young workers using machine learning techniques: A nationwide study in Japan

須田 みゆき 山梨大学 DOI:info:doi/10.34429/00005174

2022.03.18

概要

1.目的
30代のメタボリックシンドローム（MS）発症の予測モデルは少ない。本研究では、30歳と35歳の日本の企業における健康診断データを用いて、40歳でMS発症を予測する高精度モデルを構築し、MS発症の重要な予測因子を特定することを目的とした。

2.方法
2.1研究デザインと参加者
本研究では、2008年または2009年に30歳だった日本人従業員で、全国525事業所を管轄する健康保険組合Aが実施する定期健康診断を2008年から2019年まで継続して受診した者を対象とした。解析のために、2つのデータセットを用意した。1つ目のデータセットは、30歳時の健康診断データと40歳時のMS評価データを組み合わせ、第2のデータセットは、35歳時の健康診断データと40歳時のMS評価データを組み合わせて作成した。この2つのデータセットを用いて、40歳でのMS発症の予測モデルを構築し、MS発症の重要な予測因子の同定を行った。

2.2アウトカム
40歳でのMS発症

2.3予測変数
使用した変数は、日本の法律で定められた健康診断の検査項目のうち16項目と12の問診項目を用いた。

2.4統計解析
MS発症の予測モデルは、機械学習手法であるランダムフォレスト（RF）とロジスティック回帰（LR）を用いて作成し、予測モデルの精度は、he area under the receiver operating characteristics curve（AU-ROC）とThe area under the precision recall curve（AU-PRC）で評価した。予測モデルの構築は、統計ソフト「R」の「Random Forest」パッケージを用いてRFモデリングを行い、RFモデルの作成時には、MSの重要な予測因子を特定するために、各説明変数の変数重要度を算出した。変数重要度の計算では，RFはカテゴリー数の少ないカテゴリカル変数を過小評価する性質があるため，条件付き推論木を用いたRF（cForestパッケージを使用）を用いた。

2.5倫理的配慮
本研究は、山梨大学の倫理委員会で承認された（倫理委員会受付番号R01688）。また、本研究は、健康保険組合Aの倫理委員会（受付番号2019-002）で承認された。すべての参加者にオプトアウトの機会を与えた。

3.Results
RFは、その差は有意ではなかったものの、すべてのモデルにおいてLRよりも高い予測力を示した。重要な予測因子については、30歳と35歳の男性では拡張期血圧がMS発症の最も重要な予測因子であり、30歳と35歳の女性ではBMIが最も重要な予測因子であった。男性の30歳と35歳のMDSプロットは大きく2つのクラスターに分かれており、MS発症群のほとんどがプロットの右クラスターに含まれていました。一方、30歳と35歳の女性のMDSプロットでは、非MS症例が1つのクラスターを形成し、MS発症症例は非MS症例のクラスターから離れた場所に散在していた。

4.考察
LRを用いた予測では、目的変数と説明変数の間に線形関係が存在することが前提となる。一方，RFは，その計算方法から，必ずしもこの仮定を必要としない。さらに，RFは，説明変数や変数間の相互作用が多い場合に，他の手法よりも優れた性能を示すことが報告されている。本研究では，28個の説明変数を用いてモデルを作成し，相互作用のある変数（BMIと腹囲など）も含まれていた。これらのことから、MS発症を予測する精度は、LRモデルよりもRFモデルの方が高かったのではないかと考える。予測因子は、男性では拡張期血圧が示された。機械学習手法を使用した先行研究でも拡張期血圧が示されており本研究を支持するものであった。MDSプロットでもMS発症者と非発症者で異なる特徴をしめしておりRFモデルの精度の高さを支持していると考える。

5.結論
30歳または35歳の健康診断データから、40歳でのMS発症を高い精度で予測する機械学習モデルを作成した。MS発症の重要な予測因子は、ランダムフォレストの変数重要度指数によって示された。このモデルを日常の健康管理に応用することで、若年層のMS発症を予防するための早期かつ適切な健康介入が可能になると考える。

論文の公開元へ

この論文で使われている画像

関連論文

関連論文をもっと見る

参考文献

1. Neuhauser HK. The metabolic syndrome. Lancet 2005;366:1415-1428.

2. Delavari A, Forouzanfar MH, Alikhani S, Sharifian A, Kelishadi R. First nationwide study of the prevalence of the metabolic syndrome and optimal cutoff points of waist circumference in the middle east: The national survey of risk factors for noncommunicable diseases of Iran. Diabetes Care 2009;32:1092-1097.

3. World Health Organization. Definition, diagnosis and classification of diabetes mellitus and its complications: report of a WHO consultation. Part 1, Diagnosis and classification of diabetes mellitus. Geneva: World Health Organization; 1999. http://www.who.int/iris/handle/10665/66040. Accessed September 28, 2021.

4. Japanese Society of Internal Medicine. Definition and the diagnostic standard for metabolic syndrome--Committee to Evaluate Diagnostic Standards for Metabolic Syndrome. Nihon Naika Gakkai Zasshi 2005;94:794-809. Japanese

5. Alberti KG, Eckel RH, Grundy SM, Zimmet PZ, Cleeman JI, Donato KA, et al. Harmonizing the metabolic syndrome: a joint interim statement of the International Diabetes Federation Task Force on Epidemiology and Prevention; National Heart, Lung, and Blood Institute; American Heart Association; World Heart Federation; International Atherosclerosis Society; and International Association for the Study of Obesity. Circulation. 2009;120:1640-1645

6. Grundy SM, Cleeman JI, Daniels SR, Donato KA, Eckel RH, Franklin BA, et al. Diagnosis and management of the metabolic syndrome: an American Heart Association National Heart, Lung, and Blood Institute Scientific Statement. Circulation. 2005;112:2735-2752.

7. Tetutaro S. Metabolic syndrome prevention measures. Syoujinkai Medical Journal 2009;48:150-155.

8. Carnethon MR, Loria CM, Hill JO, et al. Risk factors for the metabolic syndrome. Diabetes Care 2004;27:2707-2715.

9. Hatanaka Y, Tamakoshi A, Tsushita K. Impact of body mass index on men in their 20s and the effects of subsequent changes in body weight upon the rates of hypertension and diabetes and medical costs in their 40s. Sangyo Eiseigaku Zasshi. 2012;54:141-149. Japanese.

10. Kadoya M, Nakamura S, Sugio Y, et al. Increased body mass index in young adults is associated with metabolic syndrome. Sangyo Eiseigaku Zasshi 2014;56:121-127.

11. Nishinoue N, Tatemichi M, Aratake M, Yamazaki A, Fukuda H, Sugita M. Effect of a group health education program in the workplace at the age of 35: a population approach. J UOEH 2011;33:23-34.

12. Maeda S. The forefront of disease genome research: A new era of genetic analysis research. Igakuno Ayumi 2018;266:435-440

13. Worachartcheewan A, Shoombuatong W, Pidetcha P, Nopnithipat W, Prachayasittikul V, Nantasenamat C. Predicting Metabolic Syndrome Using the Random Forest Method. The Scientific World Journal 2015;10

14. Kuhn M, Wing J, Weston S, et al. Package ‘caret’: Classification and regression training. 2021. https://cran.r-project.org/web/packages/caret/caret.pdf. Accessed September 29, 2021.

15. Firth D. Bias reduction of maximum likelihood estimates. Biometrika 1993;80:27-38.

16. Strobl C, Boulesteix AL, Kneib T, Augustin T, Zeileis A. Conditional variable importance for random forests. BMC Bioinformatics 2008;9:307.

17. Shalab H. Statistical learning from a regression perspective. J R Stat Soc Ser A Statistics Soc 2009;172:935

18. Ethical Guidelines for Medical Research Involving Human Subjects. Ministry of Education, Culture, Sports, Science and Technology, December 22, 2007 (corrected by the Ministry on February 28, 2007) Ministry of Health, Labour and Welfare. Accessed September 28, 2021.

19. Murphy KP. Machine learning. Cambridge: The MIT Press; 2012.

20. Ooka T, Johno H, Nakamoto K, Yoda Y, Yokomichi H, Yamagata Z. Random forest approach for determining risk prediction and predictive factors of type 2 diabetes: large- scale health check-up data in Japan. BMJ Nutr Prev Health. 2021;4:140-148.

21. Hirose H, Takayama T, Hozawa S, Hibi T, Saito I. Prediction of metabolic syndrome using artificial neural network system based on clinical data including insulin resistance index and serum adiponectin. Comput Biol Med 2011;41:1051-1056.

22. Lin JD, Chen YL, Wu CZ, et al. Identification of normal blood pressure in different age group. Medicine (Baltimore) 2016;95:e3188.

23. Ashizawa E, Katano S, Harada A, et al. Exploring the link between standard lifestyle questionnaires administered during specific medical check-ups and incidence of metabolic syndrome in Chiba Prefecture. Nihon Koshu Eisei Zasshi. 2014;61:176-185. Japanese.

参考文献をもっと見る